KI verbessert die Vorhersagen des Monsunregens

1. April 2024

Dieser Artikel wurde gemäß dem redaktionellen Prozess und den Richtlinien von Science X überprüft. Die Redakteure haben die folgenden Merkmale hervorgehoben, um die Glaubwürdigkeit des Inhalts zu gewährleisten:

• faktenüberprüft
• begutachtete Veröffentlichung
• vertrauenswürdige Quelle
• gegengelesen

von Lori Dajose, California Institute of Technology

Jedes Jahr bringt die Südasiatische Monsun-Saison zwischen Juni und September schweren Regen zu über einer Milliarde Menschen auf dem indischen Subkontinent. Der Regen fällt in Oszillationen: Einige Wochen sehen 1 bis 4 Zoll Wasser, während andere Wochen größtenteils trocken sind. Es ist entscheidend vorherzusagen, wann diese trockenen und nassen Zeiträume auftreten werden, für landwirtschaftliche und städtische Planung, damit Landwirte wissen, wann sie ihre Ernte einfahren sollen und Stadtbeamte sich auf Überschwemmungen vorbereiten können. Wettervorhersagen sind jedoch meist nur ein oder zwei Tage im Voraus genau, das Wetter eine Woche oder einen Monat im Voraus genau vorherzusagen, ist sehr schwierig.

Nun hat sich gezeigt, dass eine neue, auf maschinellem Lernen basierte Vorhersage den Monsun-Niederschlag in Südasien 10 bis 30 Tage im Voraus genauer vorhersagen kann, eine bedeutende Verbesserung gegenüber den aktuellen Spitzen-Vorhersagen, die numerische Modellierung anstelle von Künstlicher Intelligenz zur Vorhersage verwenden. Das Verständnis des Monsunverhaltens ist auch wichtig, weil diese Art von Niederschlag ein Hauptmerkmal der globalen Atmosphäre ist.

Die Forschung wurde unter der Leitung von Eviatar Bach, dem Foster und Coco Stanback Postdoktoranden-Forschungsassistenten für Umweltwissenschaft und -technik durchgeführt, der in den Labors von Tapio Schneider, dem Theodore Y. Wu Professor für Umweltwissenschaft und -technik und leitender Forscher von JPL, und Andrew Stuart, dem Bren Professor für Informatik und mathematische Wissenschaften, arbeitet.

Eine Abhandlung über die neue Methode erscheint in den Verhandlungen der Nationalen Akademie der Wissenschaften.

'Es gibt viel Besorgnis darüber, wie der Klimawandel den Monsun und andere Wetterereignisse wie Hurrikane, Hitzewellen usw. beeinflussen wird', sagt Bach. 'Die Verbesserung von Vorhersagen auf kürzeren Zeitskalen ist ein wichtiger Teil der Reaktion auf den Klimawandel, denn wir müssen in der Lage sein, die Vorbereitung auf diese Ereignisse zu verbessern.'

Die Wettervorhersage ist schwierig, weil die Atmosphäre zahlreiche Instabilitäten enthält - zum Beispiel wird die Atmosphäre ständig von der Erde unten erhitzt, was zu kalter, dichterer Luft über heißer, weniger dichter Luft führt - sowie Instabilität durch ungleichmäßige Erwärmung und Erdrotation. Diese Instabilitäten führen zu einer chaotischen Situation, in der die Fehler und Unsicherheiten bei der Modellierung des Verhaltens der Atmosphäre schnell ansteigen, was es fast unmöglich macht, weiter in die Zukunft vorherzusagen.

Aktuelle Spitzenmodelle verwenden numerische Modellierung, die Computersimulationen der Atmosphäre basierend auf den physikalischen Gleichungen zur Beschreibung der Bewegung von Flüssigkeiten sind. Aufgrund des Chaos ist die maximal vorhersagbare Zeit für großräumige Wetterereignisse in der Regel etwa 10 Tage. Es ist auch möglich, das langfristige durchschnittliche Verhalten der Atmosphäre - also das Klima - vorherzusagen, aber die Vorhersage des Wetters im Zeitintervall zwischen zwei Wochen bis zu mehreren Monaten war eine Herausforderung mit numerischen Modellen.

Bei südasiatischen Monsunen neigt der Regen dazu, in Zyklen heftiger Schübe gefolgt von trockenen Perioden zu fallen. Diese Zyklen sind als Monsun- intrasaisonale Oszillationen (MISOs) bekannt. In der neuen Forschung fügten Bach und seine Mitarbeiter den aktuellen Spitzenmodellen mit numerischer Modellierung eine Komponente für maschinelles Lernen hinzu. Dies ermöglichte es den Forschern, Daten über die MISOs zu sammeln und bessere Vorhersagen über den Niederschlag im schwer fassbaren Zeitrahmen von zwei bis vier Wochen zu treffen. Das resultierende Modell konnte die Korrelationen der Vorhersagen mit Beobachtungen um bis zu 70% verbessern.

'In den letzten Jahren gab es ein gesteigertes Interesse daran, maschinelles Lernen für die Wettervorhersage zu verwenden', sagt Bach. 'Unsere Arbeit zeigt, dass eine Kombination aus maschinellem Lernen und traditionellerer numerischer Modellierung genaue Ergebnisse liefern kann.'

Der Artikel trägt den Titel 'Verbesserte subseasonale Vorhersage des südasiatischen Monsun-Niederschlags mit datengesteuerten Vorhersagen oszillatorischer Modi'. Neben Bach sind die Co-Autoren V. Krishnamurthy und Jagadish Shukla von der George Mason University; Safa Mote von der Portland State University; A. Surjalal Sharma und Eugenia Kalnay von der University of Maryland; und Michael Ghil der École Normale Supérieure in Paris, UCLA und Imperial College London.

Zeitschrifteninformationen: Verhandlungen der Nationalen Akademie der Wissenschaften

Bereitgestellt von California Institute of Technology